Ang pagtaas ng mga serbisyo sa streaming ng musika ay ganap na nagbago kung paano ang kasalukuyang henerasyon ng mga tagapakinig ay lumalapit sa musika. Hindi lamang available ang milyun-milyong kanta para sa maliit na buwanang bayad sa subscription, aktibong gumagana ang mga algorithm sa background upang maghatid ng patuloy na stream ng musika na naka-personalize sa iyong panlasa.
Nangunguna sa music streaming wars ang Swedish-based na kumpanyang Spotify. Lumaki ang platform upang makaipon ng mahigit 400 milyong buwanang aktibong user noong 2022. Bukod sa pagiging pinakamalaking on-demand na serbisyo ng musika, patuloy na itinutulak ng Spotify ang mga hangganan ng AI at machine learning sa konteksto ng musika at rekomendasyon sa musika.
Ang mga playlist gaya ng Discover Weekly o Daily Mix ay ginawa gamit ang isang kumplikadong sistema ng mga algorithm na sumusubok na itugma ang mga artist at tagapakinig nang magkasama. Ang artikulong ito ay magbibigay liwanag sa kung paano gumagana ang Spotify sa likod ng mga eksena. Susuriin namin kung paano nagtutulungan ang lahat ng algorithm na ito upang lumikha ng isang epektibong serbisyo sa pag-curate ng musika para sa mga user.
Paano Inirerekomenda sa Iyo ng Spotify ang mga Bagay?
Umaasa ang Spotify sa kung ano ang kilala bilang isang recommender system. Kilala rin bilang isang engine ng rekomendasyon, ang algorithm ay gumagawa ng isang modelo upang maghanap at magrekomenda ng mga nauugnay na item sa mga user. Bumuo ang Spotify ng isang epektibong sistema ng tagapagrekomenda na iniakma para sa paghahatid ng mga naka-customize na playlist at mga suhestiyon sa pagsubaybay sa mga user nito.
Ang ganitong uri ng algorithm ay halos nasa lahat ng dako sa ating pang-araw-araw na buhay. Hinihimok ng mga system ng tagapagrekomenda ang mga feature na nagbibigay-daan sa Amazon, YouTube, at Facebook na bigyan ka ng may-katuturang nilalaman batay sa iyong mga nakaraang pakikipag-ugnayan sa app.
Ang engine ng tagapagrekomenda ng Spotify ay kailangang makakuha ng dalawang representasyon nang tama: ang user at ang track ng musika mismo.
Kinakatawan ang Mga Music Track
Bago makapagmungkahi ang Spotify ng musika sa iyo, ang mga algorithm nito ay dapat na may ilang dami ng paraan ng paglalarawan ng bawat isa sa milyun-milyong track sa kanilang database.
Ang paglikha ng isang profile para sa bawat track ng musika ay isang kawili-wiling problema sa sarili nito. Ang Spotify ay namuhunan sa maraming pananaliksik upang mahanap ang pinakamahusay na mga modelo upang ilarawan ang bawat tala sa catalog nito.
Upang matugunan ang problemang ito, gumagamit ang Spotify ng dalawang pangunahing paraan upang lumikha ng isang representasyon: pag-filter na nakabatay sa nilalaman at pag-filter ng collaborative.
Tingnan natin kung ano ang ginagawa ng bawat isa sa mga pamamaraang ito at kung paano sila nagtutulungan upang lumikha ng isang holistic na representasyon ng musika.
Pag-filter na nakabatay sa nilalaman
Nilalayon ng pag-filter na nakabatay sa nilalaman na ilarawan ang bawat track sa pamamagitan ng pagsusuri sa aktwal na data at metadata ng track.
Kapag nag-upload ang mga artist ng musika sa database ng Spotify, dapat nilang ibigay ang aktwal na file ng musika mismo, pati na rin ang karagdagang impormasyon o metadata. Kasama sa metadata ang pangalan ng kanta, ang taon na ito ay inilabas, ang album ng track, at maging ang haba ng kanta mismo.
Kapag natanggap ng Spotify ang mga file na ito, mabilis nitong magagamit ang ibinigay na metadata upang maikategorya ang mga kanta. Ang isang British rock single mula 1989, halimbawa, ay maaaring ilagay sa ilang mga playlist tulad ng "Classic British Hits" o kahit na "Rock Songs mula sa 80s".
Raw Audio Analysis
Gayunpaman, ang Spotify ay nagpapatuloy ng isang hakbang at nagsasagawa ng pagsusuri sa raw audio file mismo upang makakuha ng ilang mga sukatan ng dami mula sa track. Kung titingnan natin ang Spotify API, makikita natin ang ilan sa mga sukatang ito.
Halimbawa, ang API ay may kasamang sukatan ng enerhiya na sumusukat sa "perceptual na sukat ng intensity at aktibidad." Ayon sa dokumentasyon, ang sukatan ay hinango mula sa iba't ibang katangian kabilang ang dynamic range, perceived loudness, at timbre. Gamit ang sukatang ito, maaaring ikategorya ng Spotify ang mga kanta na may mataas na enerhiya at ihatid ang mga ito bilang mga rekomendasyon sa mga user na nakikinig sa high-intensity na musika.
Bukod sa enerhiya, tinutukoy din ng Spotify ang liveness ng track, isang sukatan na nakakakita ng presensya ng audience sa recording. Ang Valence ay isang sukat na naglalarawan kung gaano kapositibo ang isang track. Ang mataas na valence sound ay nagpapahiwatig ng masaya at masayang musika, habang ang mas mababang valence na tunog ay nagpapahiwatig ng malungkot, nalulumbay, o galit na musika.
Temporal na Pagsusuri
Ang Spotify ay mayroon ding isa pang kawili-wiling algorithm ng analytics na naglalarawan sa temporal na istraktura ng track. Ang isang track ay nahahati sa iba't ibang mga segment: mula sa mga seksyon (koro, tulay, instrumental na solo), hanggang sa mga indibidwal na beats mismo. Maaari mong tingnan kung paano inilalarawan ng Spotify ang istruktura ng iyong mga paboritong kanta sa pamamagitan ng paggamit nito online na kasangkapan na nagpapadala ng kahilingan sa Spotify API.
Ang pagsasama-sama ng temporal na pagsusuri sa mga sukatan tulad ng enerhiya at valence ay maaaring makatulong na kumatawan sa track sa isang mas nuanced na paraan. Maaari kaming mag-filter sa pamamagitan ng mga kanta na unti-unting nagkakaroon ng intensity, o maghanap ng mga kanta na may mataas na enerhiya sa lahat ng paraan.
Pagsusuri sa Teksto
Kinukuha din ng recommender engine ng Spotify ang semantic na impormasyon mula sa text na nauugnay sa track o artist sa pamamagitan ng paggamit ng natural mga modelo ng pagpoproseso ng wika.
Makakatulong ang lyrics ng kanta na mas maunawaan ang nilalaman ng kanta. Posible na ang Spotify ay naghahanap ng mga potensyal na keyword o damdamin pagsusuri kapag gumagawa ng mga bagong playlist o track radio.
Ang web ay isa ring kapaki-pakinabang na tool upang maunawaan ang isang track o artist. Regular na nagsasagawa ang Spotify ng mga web scrape ng mga online media outlet at music publication para matukoy kung paano inilalarawan ng mga totoong tao ang bawat track o artist.
Collaborative na Pag-filter
Ang collaborative na pag-filter ay tumutukoy sa diskarte kung saan maaari mong i-filter ang mga item na maaaring mas gusto ng isang user sa pamamagitan ng pagtingin sa mga gawi ng mga katulad na user.
Halimbawa, maaaring magustuhan ng user A ang mga artist na X at Y, at gusto rin ng isa pang user ng Spotify na si B ang X at Y. Kung nakikinig ang user B ng maraming kanta mula sa artist Z, posibleng magustuhan din sila ng user A.
Ang isang isyu sa collaborative na pag-filter gamit ang paraang ito ay ang mga user sa pangkalahatan ay may mas magkakaibang panlasa sa musika. Posible na ang artist Z ay isang ganap na naiibang genre mula sa mga artist X at Y.
Para labanan ito, gumagamit ang Spotify ng variation ng collaborative na pag-filter na tumitingin sa playlist at magkasabay na sesyon ng pakikinig. Sa mas simpleng mga termino, ang mga track na malamang na nasa parehong playlist o mga kanta na pinapakinggan ng mga tao sa parehong session ay mas malamang na magkapareho.
Ginagamit ng Spotify ang collaborative na diskarte sa pag-filter na ito upang pagsama-samahin ang mga kanta sa mga kategorya na maaaring hindi nakikita kapag sinusuri ang nilalaman ng kanta.
Naglalarawan ng Panlasa ng Gumagamit
Mayroon na tayong magandang representasyon na naglalarawan sa isang track o artist. Paano natin makikita ang mga tamang user na magrerekomenda ng mga kanta?
Ang isa pang mapaghamong problema na dapat lutasin ng Spotify ay ang pag-unawa sa panlasa ng musika ng mga gumagamit nito.
Kapag una kang gumawa ng Spotify account, maaari mong mapansin na hihilingin sa iyo ng Spotify na pumili ng ilang genre o artist na gusto mong sundan. Ito ang unang hakbang sa pagtukoy kung anong uri ng musika ang gustong pakinggan ng user.
Pagkatapos, sinusubaybayan ng tagapagrekomendang engine ng Spotify ang iyong buong aktibidad sa pakikinig. Makatuwiran para sa Spotify na maghatid sa iyo ng higit pang mga suhestyon sa klasikal na musika kung ang hinahanap mo lang ay klasikal na musika.
Gayunpaman, ang pakikinig sa isang track ay ang pinakapangunahing signal na dapat isaalang-alang. Tinitingnan din ng Spotify ang mga kantang nilalaktawan mo, mga track na sine-save mo, at mga artist na sinusubaybayan mo. Ang mga ganitong uri ng pakikipag-ugnayan ay tahasan o aktibong feedback.
Higit pa rito, tinitingnan din ng Spotify ang implicit na feedback. Kabilang dito ang haba ng session ng pakikinig o kung gaano kadalas mong inuulit ang isang kanta.
Gamit ang lahat ng pakikipag-ugnayang ito, dapat na ngayong malaman ng Spotify ang iyong mga kagustuhan sa genre, mood, at panahon. Mahuhulaan din ng platform kung anong uri ng musika ang mas gusto mo sa isang partikular na oras ng araw o araw ng linggo.
Naiintindihan din ng Spotify na ang mga user ay madalas na nagkakaroon ng kanilang panlasa sa musika sa paglipas ng panahon. Isinasaalang-alang ang katotohanang ito, ang Spotify recommender engine ay naglalagay ng higit na timbang sa kamakailang aktibidad sa makasaysayang data.
Konklusyon
Kahit na ang mga platform gaya ng Apple Music ay may mas maraming available na kanta, at ang mga serbisyo tulad ng TIDAL ay nangangako ng high-fidelity na tunog, patuloy na nangingibabaw ang Spotify sa pandaigdigang market share ng mga subscriber ng musika. Bahagi ng tagumpay na iyon ang pagiging epektibo ng sistema ng rekomendasyon nito, na isang produkto ng mahigit isang dekada ng pananaliksik at pag-ulit.
Ang layunin ng sistema ng rekomendasyon ng Spotify ay magbigay ng kasiya-siyang karanasan para sa mga user na magbibigay-daan sa kanila na gumugol ng mahabang panahon sa platform. Ang pagpapanatili ng user ay isang pangunahing sukatan para sa tagumpay pagdating sa mga serbisyo sa online na subscription gaya ng Spotify.
Ayon kay Oskar Stal, VP ng personalization sa Spotify, ang platform ay naglalayong "pataasin ang dami ng mas makabuluhang audio sa iyong buhay." Sa pamamagitan ng paggamit ng algorithm ng pag-aaral ng machine, nagagawa ng Spotify na maghatid ng magagandang rekomendasyon sa mga user nito at tinutulungan ang mga artist na lumago at magkaroon ng pagkakataong marinig.
Mag-iwan ng Sagot